Earticle

본 연구는 인공지능(AI)을 단순한 도구가 아닌 학습의 협력적 파트너로 인식할 수 있도록 돕는 ‘AI 창의-협력(Co-AI) 모형’을 개발 하고, 그 타당성을 검증하는 것을 목적으로 한다. Co-AI 모형은 공동 목표 설정, 문제 탐색, 창의 협력 설계, 협력 실행, 공유 및 성 찰의 5단계로 구성되며, 각 단계에서 AI는 단순 정보 제공자에서 벗어나 아이디어 생성자, 문제 해결의 협력자, 결과물 생산자로의 역할을 수행한다. 본 연구에서는 설계·개발 연구 방법(DDR)을 기반으로 선행 문헌 분석을 통해 모형 초안을 구성하였으며, 이후 1 차 전문가(연구자 집단)와 2차 전문가(현장 교사)로 구성된 2단계 델파이 검토를 통해 이론적 타당성과 실행 가능성을 검증하였다. 검토 결과, CVR 및 CVI 분석에서 높은 타당성을 확보하였으며, 전문가 피드백을 반영해 역할 분담 도식, 피드백 루프, 상호작용 구 조를 추가하여 모형을 최종화하였다. Co-AI 모형은 생성형 AI가 학습자와 함께 문제를 탐색하고 해결 방안을 설계하며, 창의적 성 과물을 만들어내는 과정을 통해 학생의 창의성, 문제 해결력, 자기 주도성을 촉진할 수 있다는 가능성을 보여준다.

This study aimed to develop and validate the Co-AI(AI–Student Creative Collaboration) model, a teaching–learning model designed to help students perceive artificial intelligence(AI) not merely as a tool but as a collaborative learning partner. The Co-AI model consists of five stages: goal setting, problem exploration, collaborative planning, cooperative execution, and sharing with reflection. At each stage, AI goes beyond the role of a simple information provider, functioning as an idea generator, problem-solving collaborator, and content producer. This study employed a design and development research(DDR) approach, constructing a draft model through a review of prior literature, followed by a two-phase Delphi validation involving both research experts(first phase) and practicing teachers(second phase) to assess theoretical validity and practical feasibility. The validation process confirmed high content validity through CVR and CVI analysis, and expert feedback led to the addition of elements such as role assignment diagrams, feedback loops, and interaction structures, resulting in a finalized model. The Co-AI model demonstrates the potential for generative AI to work with learners in exploring problems, designing solutions, and producing creative outcomes, ultimately fostering students’ creativity, problem-solving abilities, and self-directed learning.

본 연구는 초등 수학교육에서 활용되는 AI 학습 플랫폼의 발전 방향에 대한 교사의 인식을 분석하고, 교사 경력에 따른 인식 차 이를 실증적으로 탐색하였다. AI 디지털교과서 개발 가이드라인을 토대로 공통 서비스, 학생 서비스, 교사 서비스 관점에서 기능 항 목을 구성하였으며, 실제 사용 경험이 있는 교사 123명을 대상으로 설문조사를 실시하였다. 연구 결과, 모든 기능 영역에서 전반적 으로 높은 중요도 인식이 나타났으며, 특히 ‘쉬운 조작법’, ‘학생 맞춤 수업 설계 제공’, ‘학습 진단 결과 제공’ 등의 항목은 경력과 관계없이 높게 평가되었다. 반면, ‘학생 스스로 학습 경로 설정’, ‘맞춤형 학습 계획 구성’은 고경력 교사에게서 더 높은 중요도를 보 였다. 본 연구는 AI 학습 플랫폼이 향후 교사의 전문성과 학생 개별화 학습을 동시에 지원할 수 있는 방향으로 정교하게 설계될 필 요성을 시사한다.

This study aims to analyze elementary school teachers’ perceptions of the development directions of AI-driven learning platforms in mathematics education and examine whether perception differences exist based on teaching experience. Based on the AI Digital Textbook Development Guidelines, the study structured functions under common, student, and teacher service categories. A survey was conducted with 123 teachers who had actual experience using AI platforms. Results showed that most features were perceived as important regardless of experience, particularly “easy operation,” “personalized lesson design,” and “diagnostic result support.” However, “student-driven learning path selection” and “customized learning plan recommendations” were valued more by experienced teachers. The findings suggest that future AI-driven learning platforms should be carefully designed to support both teachers' instructional expertise and personalized student learning, reflecting the nuanced needs of educators with different levels of experience.

본 연구는 2022 개정 ‘인공지능 수학’ 교육과정의 성취기준을 교육사회학적으로 분석하고, 교육 불평등 완화를 위한 교육과정 개 선 방향을 제안하는 데 목적이 있다. 이를 위해 기능주의, 갈등이론, 신교육사회학의 관점을 분석틀로 설정하고, 성취기준 및 관련 지침에 대한 질적 문헌분석과 교육전문가 대상 포커스 그룹 인터뷰(FGI)를 병행하였다. 문헌분석 결과, 성취기준은 디지털 사회의 핵심 역량 전수 및 사회적 역할 분화를 유도한다는 점에서 기능주의적 시각과 부합한다. 동시에 고차원 기술 역량을 전제로 구성되 어 있어, 특정 계층에 유리하게 작용하며, 교육과정이 계층화 및 문화적 위계를 재생산할 가능성도 내포하고 있음을 갈등이론과 신 교육사회학 관점에서 확인하였다. FGI에서는 실행 가능성, 수행 격차, 윤리 개념의 추상성, 특정 인재상 중심 편향 등의 문제점이 지적되었으며, 이론적 해석과 실천 경험의 간극이 드러남을 확인하였다. 본 연구는 인공지능 시대 교육과정이 기술 중심 지식 전달 을 넘어 사회적 형평성과 교육적 정의 구현이라는 책무를 가져야 함을 강조하며, 교육과정 설계의 이론적 타당성과 실천 가능성의 통합을 추구하였다.

This study analyzes the achievement standards of the 2022 “AI Mathematics” curriculum from sociology-of-education perspectives and proposes equity-oriented improvements. Using functionalism, conflict theory, and the new sociology of education, we combined qualitative document analysis with a focus group interview (n=3; two in-service mathematics teachers and one university lecturer). Across both strands, we identified a persistent gap between theoretical interpretations of the standards and teachers’ practical experiences—notably around feasibility, performance gaps linked to digital capital, and the abstractness of ethics/fairness. While the standards align with functionalist aims of role socialization, they may reproduce stratification through ability-biased expectations. We propose tiered standards, explicit guidance that links ethics to concrete cases, and policy options beyond incremental revision, including reframing course goals toward critical data citizenship.

기업의 디지털 전환 가속화로 보안 로그의 규모가 기하급수적으로 증가함에 따라, 수작업 기반의 이상 행위 탐지는 한계에 직면 하고 있다. 본 연구에서는 오프라인 환경에서도 독립적으로 구동 가능한 AI 기반 이상 로그 탐지 시스템을 제안한다. 제안 시스템은 Pycaret 기반 AutoML과 SHAP 기반 XAI를 통합하여, 사용자로부터 로그 파일을 입력받아 이상 로그를 자동 탐지하고 탐지 이유를 텍스트 형태로 제공한다. 범주형 데이터에 대해 기존 원-핫 인코딩 대신 빈도 기반 인코딩을 적용하여 대규모 로그에서도 안정적인 탐지 성능을 확보하였으며, 자연어 기반 설명은 보안 담당자의 직관적 해석을 지원한다. 또한, Docker 기반으로 구성된 본 시스템은 망 분리된 환경에서도 설치와 실행이 간편하며, 분석 결과의 시각화를 통해 실시간 보안 분석 효율을 높인다. 실무 시나리오 기반 평가에서도 내부 위협 행위를 효과적으로 탐지함으로써 제안 시스템의 실용성과 확장 가능성을 입증하였다.

With the rapid acceleration of digital transformation in enterprises, the volume of security logs has grown exponentially, rendering manual detection of anomalous behaviors increasingly impractical. This study proposes an AI-based anomaly detection system that operates independently in offline environments. The proposed system integrates Pycaret-based AutoML and SHAP-based explainable AI (XAI) to automatically detect anomalous logs from user-uploaded log files and provide textual explanations for each detection. To ensure stable performance on large-scale logs, the system replaces traditional one-hot encoding with frequency encoding for categorical data. The generated natural language explanations enhance interpretability for security analysts. Built on a Docker-based architecture, the system is easy to deploy and run isolated networks, and provides visualized analysis results to support real-time security monitoring. Evaluation through a practical scenario demonstrates the system’s effectiveness in identifying insider threats, proving its practicality and scalability.

본 연구는 예비 보건교사의 AI 교육역량을 진단하고, 교육적 개입의 우선순위를 실증적으로 탐색하여 교육 프로그램의 설계 방 향을 제시하는 것을 목적으로 한다. 이를 위해 A대학교 간호대학에서 교직과정을 이수 중인 4학년 학생 32명을 분석 대상으로 하 여, AI 교육역량의 네 가지 영역(기본 개념 이해, 인간–AI 관계 이해, AI 활용 역량, AI 윤리 인식)에 대해 중요도와 수행 수준을 조 사하였다. 분석에는 Borich 요구도 분석과 Locus for Focus 모형을 병행 적용하여, 각 역량 요소 간의 격차와 교육적 개입 필요성을 구조적으로 도출하였다. 그 결과, 모든 영역에서 중요도가 수행 수준보다 유의하게 높게 나타났으며, 특히 ‘AI 윤리 인식’은 가장 큰 격차와 높은 요구도 점수를 보여 우선적 교육 개입이 필요함을 시사하였다. 또한 ‘AI의 기본 개념 이해’, ‘인공신경망의 의미 이해’, ‘AI와 인간의 협력’, ‘사회 구조적 영향 이해’ 등도 핵심적인 고려 영역으로 도출되었다. 본 연구는 예비 보건교사의 AI 교육역량을 체계적으로 구조화하고, 실증적 데이터를 기반으로 교육적 개입의 우선순위를 제시함으로써, 향후 보건교사 양성과정에 통합 가능 한 프로그램 설계를 위한 기초적 자료로 활용될 수 있을 것이다.

This study aims to diagnose the AI educational competencies of pre-service health teachers and to explore, on an empirical basis, the priorities for educational interventions in order to suggest directions for program design. The analysis was conducted on 32 fourth-year students who were enrolled in a teacher education program within the College of Nursing at University A, where no formal AI-related courses were offered. Four domains of AI educational competencies were examined: understanding of basic concepts, understanding of human–AI relationships, AI utilization competencies, and AI ethics awareness. The analysis employed both the Borich Needs Assessment model and the Locus for Focus framework to identify competency gaps and to structurally derive areas requiring educational intervention. Results indicated that, across all domains, perceived importance scores were significantly higher than performance scores. In particular, ‘AI ethics awareness’ showed the largest gap and highest need score, suggesting it as a priority area for educational intervention. Other competencies such as ‘understanding of AI basic concepts,’ ‘understanding of neural networks,’ ‘human–AI collaboration,’ and ‘understanding of social structural impacts of AI’ were also identified as key areas for consideration. By structuring pre-service health teachers’ AI educational competencies and presenting data-driven insights into intervention priorities, this study provides foundational evidence that may inform future program design and contribute to the improvement of teacher education curricula in the field of health education.

본 연구는 중등 지리교육에서 감수성 함양을 위한 AI 기반 교수·학습의 현황과 가능성을 분석하고, AI 기술이 지리교육학적 감수 성의 함양에 미치는 영향을 탐구한다. 특히, 장소감, 장소애착이라는 지리교육학적 감수성 요소에 주목하여 AI 활용 유형을 중심으 로 논의한다. 본 연구는 국내외에서 발표된 2015년부터 2025년까지의 학술 자료를 바탕으로 시기별 및 국가별 연구 동향을 비교하 고, 각 시기에 따른 연구 사례를 통해 AI가 지리교육에서 감수성 함양에 기여한 바를 분석하였다. 또한, AI가 학습자의 감수성을 향 상시키는 데 있어 맞춤형 학습, 시뮬레이션 및 VR 기반 학습 환경, 감정 분석 등 다양한 교육적 활용 방법을 제시하며, 각 국가에서 의 적용 방식 차이를 논의하였다. 향후 연구에서는 감수성 함양을 위한 AI 기반 교수·학습 모델의 개발 필요성과, AI와 지리교육의 연계 심화를 위한 방안을 제시한다.

This study examines the potential of AI-based pedagogy in fostering sensitivity within secondary geography education and explores AI's impact on developing geographical sensitivity. It focuses on elements such as sense of place, environmental sensitivity, and empathy, discussing AI applications that enhance these aspects. Based on academic publications from 2015 to 2025, the research compares AI-based education trends across different periods and countries, analyzing AI's contribution to sensitivity in geography education. The study presents AI applications like personalized learning, VR-based environments, and emotion analysis, and highlights differences in their implementation globally. It concludes by emphasizing the need for AI-based pedagogical models for fostering sensitivity and providing recommendations for deeper integration of AI in geography education.